克里斯蒂娜·P·马丁·利纳斯。;尤戈斯·普萨雷利斯。;乔治·卡拉佩萨斯;Eleni D.科罗纳基。;Ioannis G.凯夫雷基迪斯。 薄膜流动的物理无关和物理注入的机器学习：小数据建模和预测。 （英语） Zbl 1531.76074号 J.流体力学。 975，论文编号A41，22 p.（2023）. 摘要：多相流的数值模拟在许多工程应用中至关重要，但往往受到Navier-Stokes（NS）方程计算要求高的解的限制。代理模型的开发依赖于所涉及的代数和几个假设。在这里，我们提出了一个数据驱动的工作流，其中少数详细的NS模拟数据被用于原型垂直下落液膜的降阶模型。我们为薄膜厚度开发了一个物理不可知模型，与渐近Kuramoto-Sivashinsky（KS）方程相比，它与NS解的一致性要好得多。我们还开发了两种不同的物理注入模型，以针对一些高保真NS数据对低保真模型（即KS）进行校准。最后，针对振幅、全场速度甚至部分信息中的流动参数，开发了缺失数据的预测模型。这是通过所谓的“间隙扩散图”实现的，我们将其与线性对应物间隙POD进行了比较。 MSC公司： 76M99型 流体力学基本方法 76A20型 液体薄膜 68T05型 人工智能中的学习和自适应系统 关键词：Navier-Stokes模拟数据;降阶模型;薄膜厚度;模型校准;渐近Kuramoto-Sivashinsky方程;间隙扩散图 软件：PDE-网络;火炬差异;TensorFlow公司 PDF格式BibTeX公司 XML格式引用 \textit{C.P.Martin-Lineres}等人，《流体力学杂志》。975，论文编号A41，22页（2023；Zbl 1531.76074） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] Abadi，M.等人.2015 TensorFlow：异构系统上的大规模机器学习。软件可从tensorflow.org获得。 [2] Arbabi，H.&Kevrekidis，I.G.2021简约地将问题转化为偏微分方程。混沌31（3），033137。 [3] Balasubramanian，M.&Schwartz，E.L.2002等距图算法和拓扑稳定性。《科学》295（5552），7-7。 [4] Bharadwaj，A.S.、Kuhnert，J.、Bordas，S.P.A.和Suchde，P.2022A模拟薄膜流动的离散液滴法。申请。数学。型号112486-504·Zbl 1505.76046号 [5] Brown，H.S.1992界面波不稳定性和模式形成的计算机辅助非线性动力学研究。普林斯顿大学博士论文。 [6] Brunton，S.L.，Proctor，J.L.&Kutz，J.N.2016通过非线性动力系统的稀疏识别从数据中发现控制方程。程序。美国国家科学院。科学113（15），3932-3937·Zbl 1355.94013号 [7] Chakraborty，S.、Nguyen，P.-K.、Ruyer-Quil，C.和Bontozoglou，V.2014下落液膜上的极端孤立波。《流体力学杂志》745564-591。 [8] Chang，H.-C.1986液膜表面上的非线性波：I.垂直管中的洪水。化学。《工程科学》41（10），2463-2476。 [9] Chen，R.T.Q.，Rubanova，Y.，Bettencourt，J.&Duvenaud，D.2018神经常微分方程。高级神经信息。程序。系统。31 [10] Coifman，R.R.、Kevrekidis，I.G.、Lafon，S.、Mauro，M.和Nadler，B.2008扩散图、约化坐标和随机系统的低维表示。多尺度模型。模拟7（2），842-864·Zbl 1175.60058号 [11] Coifman，R.R.&Lafon，S.2006扩散图。申请。计算。哈蒙。分析21（1），5-30·Zbl 1095.68094号 [12] Dietze，G.F.，Rohlfs，W.，Nährich，K.，Kneer，R.&Scheid，B.2014层流降液膜中的三维流动结构。《流体力学杂志》743，75-123。 [13] Dsilva，C.J.，Talmon，R.，Coifman，R.R.&Kevrekidis，I.G.2018通过流形学习对非线性动力系统的简约表示：趋化性案例研究。申请。计算。哈蒙。分析44（3），759-773·Zbl 1390.68523号 [14] Duraisamy，K.、Iacarino，G.和Xiao，H.2019数据时代的湍流建模。每年。《流体力学评论》51（1），357-377·Zbl 1412.76040号 [15] Evangelou，N.、Dietrich，F.、Chiavazzo，E.、Lehmberg，D.、Meila，M.和Kevrekidis，I.G.2022用于潜在空间科学计算的双扩散图及其潜在谐波。arXiv:2204.12536·Zbl 07690204号 [16] Everson，R.&Sirovich，L.1995Karhunen-Loeve间隙数据程序。JOSA A12（8），1657-1664年。 [17] Farzamnik，E.，Ianiro，A.，Discetti，S.，Deng，N.，Oberleithner，K.，Noack，B.R.&Guerrero，V.2023从快照到歧管——剪切流的故事。《流体力学杂志》955，A34·Zbl 1528.76058号 [18] Floryan，D.&Graham，M.D.2022内在动力学的数据驱动发现。自然马赫数。《情报》4（12），1113-1120。 [19] Galaris，E.，Fabiani，G.，Gallos，I.，Kevrekidis，I.&Siettos，C.2022格子Boltzmann模型模拟的偏微分方程数值分岔分析：简约机器学习方法。科学杂志。计算92（2），34·Zbl 1490.65184号 [20] Glasser，B.J.、Kevrekidis，I.G.和Sundaresan，S.1997充分开发了行波溶液和流化床中的气泡形成。《流体力学杂志》334157-188·Zbl 0899.76361号 [21] González-García，R.，Rico-Martínez，R.&Kevrekidis，I.G.1998分布参数系统的识别：基于神经网络的方法。计算。化学。Engng22，S965-S968。 [22] He，K.，Zhang，X.，Ren，S.&Sun，J.2016图像识别的深度剩余学习。《IEEE计算机视觉和模式识别会议论文集》，内华达州拉斯维加斯，第770-778页。 [23] Kalliadasis，S.、Ruyer-Quil，C.、Scheid，B.和Velarde，M.G.2012《降液膜》。施普林格伦敦·Zbl 1231.76001号 [24] Kemeth，F.P.、Bertalan，T.、Thiem，T.、Dietrich，F.、Moon，S.J.、Laing，C.R.和Kevrekidis，I.G.2022在学习的涌现空间中学习涌现偏微分方程。《国家公报》13（1），3318。 [25] Kemeth，F.P.，Alonso，S.，Echebarria，B.，Moldenhawer，T.，Beta，C.&Kevrekidis，I.G.2023振幅方程的黑盒和灰盒学习：相位场系统的应用。物理学。版次E107（2），025305。 [26] Kevrekidis，I.G.，Nicolaenko，B.&Scovel，J.C.1990再次回到马鞍上：计算机辅助的Kuramoto-Sivashinsky方程研究。SIAM J.应用。数学50（3），760-790·Zbl 0722.35011号 [27] Koronaki，E.D.、Evangelou，N.、Psarellis，Y.M.、Boudouvis，A.G.和Kevrekidis，I.G.2023从部分数据到样本外参数，以及使用扩散图和几何谐波的观测估计。计算。化学。工程178、108357。 [28] Krischer，K.、Rico-Martínez，R.、Kevrekidis，I.G.、Rotermund，H.H.、Ertl，G.和Hudson，J.L.1993时空变化催化反应的模型识别。AIChE期刊39（1），89-98。 [29] Lee，S.，Dietrich，F.，Karniadakis，G.E.&Kevrekidis，I.G.2019将高斯过程回归与数据驱动流形嵌入相结合，用于非线性数据融合。接口焦点9（3），20180083。 [30] Lee，S.、Kooshkbaghi，M.、Spiliotis，K.、Siettos，C.I.和Kevrekidis，I.G.2020通过机器学习从精细尺度观测中获得的定量偏微分方程。混沌30（1），013141。 [31] Lee，S.、Psarellis，Y.M.、Siettos，C.I.和Kevrekidis，I.G.2022从基于代理的蒙特卡罗模拟数据中学习黑盒和灰盒趋化PDE/闭包。数学杂志。生物学87（1），15·Zbl 1521.92007年 [32] Linot，A.J.，Burby，J.W.，Tang，Q.，Balaprakash，P.，Graham，M.D.&Maulik，R.2023动力系统长期预测的稳定神经常微分方程。J.计算。物理474111838·Zbl 07640581号 [33] Long，Z.，Lu，Y.，Ma，X.&Dong，B.2018 PDE-net：从数据中学习PDE。《第35届机器学习国际会议论文集》（编辑：Jennifer Dy&Andreas Krause），《机器学习研究论文集》，第80卷，第3208-3216页。瑞典斯德哥尔摩Stockholmsmässan：PMLR。 [34] Lozano-Durán，A.&Bae，H.J.2023用于大规模模拟的机器学习建筑-流动墙模型。《流体力学杂志》963，A35。 [35] Meloni，S.，Centracchio，F.，De Paola，E.，Camussi，R.&Iemma，U.2023切向平板上超声速射流诱导的非定常壁压场的实验表征和数据驱动建模。《流体力学杂志》958，A27。 [36] Miliaiev，A.和Timokha，A.2023清洁矩形储罐中稳态共振晃动的粘性阻尼。《流体力学杂志》965，R1·Zbl 1516.76013号 [37] Nadler，B.、Lafon，S.、Coifman，R.R.和Kevrekidis，I.G.2006动力系统的扩散图、光谱聚类和反应坐标。申请。计算。哈蒙。分析21（1），113-127·Zbl 1103.60069号 [38] Oron，A.和Gottlieb，O.2002时间激励降液膜的非线性动力学。物理学。流体14（8），2622-2636·Zbl 1185.76289号 [39] Pan，S.&Duraisamy，K.2018封闭模型的数据驱动发现。SIAM J.应用。动态。系统17（4），2381-2413·Zbl 1411.70023号 [40] Parish，E.J.&Duraisamy，K.2016使用场反演和机器学习的数据驱动预测建模范式。J.计算。物理305758-774·Zbl 1349.76006号 [41] Pettas，D.、Karapetsas，G.、Dimakopoulos，Y.和Tsamopoulos、J.2019a粘弹性薄膜在具有正弦地形的倾斜基底上流动。一、稳态。物理学。流感病毒修订版4（8），08303·Zbl 1461.76028号 [42] Pettas，D.、Karapetsas，G.、Dimakopoulos，Y.和Tsamopoulos、J.2019b粘弹性薄膜在具有正弦地形的倾斜基底上流动。二、。线性稳定性分析。物理学。流体版本4（8），083304·Zbl 1461.76028号 [43] Psarellis，Y.M.，Lee，S.，Bhattacharjee，T.，Datta，S.S.，Bello-Rivas，J.M.&Kevrekidis，I.G.2022通过机器学习的细菌趋化迁移的数据驱动发现。arXiv:2208.11853。 [44] Raissi，M.和Karniadakis，G.2017隐藏物理模型：非线性偏微分方程的机器学习。J.计算。物理学357125-141·Zbl 1381.68248号 [45] Raissi，M.，Perdikaris，P.&Karniadakis，G.E.2019《基于物理的神经网络：用于解决涉及非线性偏微分方程的正反问题的深度学习框架》。J.计算。物理378、686-707·Zbl 1415.68175号 [46] Rezaeiravesh，S.，Mukha，T.&Schlater，P.2023使用贝叶斯层次多重模型有效预测湍流流量。《流体力学杂志》964，A13·Zbl 1527.76053号 [47] Rico-Martínez，R.、Krischer，K.、Kevrekidis，I.G.、Kube，M.C.和Hudson，J.L.1992铜电溶数据的离散与连续非线性信号处理。化学。Enng Commun.118（1），25-48。 [48] Rohlfs，W.，Rietz，M.&Scheid，B.2018Wavemaker：降下液膜的三维波浪模拟工具。软件X7，211-216。 [49] Rudy，S.H.，Brunton，S.L.，Proctor，J.L.&Kutz，J.N.2017偏微分方程的数据驱动发现。科学。高级3（4），e1602614。 [50] Shklyaev，S.和Nepomnyashchy，A.2017流体中的长波不稳定性和模式。Birkhäuser·Zbl 1384.76001号 [51] Shlang，T.&Sivashinsky，G.I.1982液膜沿垂直柱的不规则流动。《物理学杂志》第43卷第3期，第459-466页。 [52] Sirignano，J.&Macart，J.F.2023钝体周围流动大流量模拟的深度学习闭合模型。《流体力学杂志》966，A26·兹比尔07710508 [53] Sonoda，T.，Liu，Z.，Itoh，T.&Hasegawa，Y.2023在充分发展的紊流通道中，加强减少表面摩擦阻力的控制策略学习。流体力学杂志960，A30。 [54] Takens，F.1981《探测湍流中的奇怪吸引子》，第366-381页。施普林格-柏林-海德堡·Zbl 0513.58032号 [55] Vlachas，P.R.，Arampatzis，G.，Uhler，C.&Koumoutsakos，P.2022通过学习有效动力学对复杂系统进行多尺度模拟。自然马赫数。整数4（4），359-366。 [56] Vlachas，P.R.，Byeon，W.，Wan，Z.Y.，Sapsis，T.P.&Koumoutsakos，P.2018高维混沌系统与长短期记忆网络的数据驱动预测。程序。R.Soc.A：数学。物理学。工程科学474（2213），20170844·Zbl 1402.92030 [57] Whitney，H.1936可微流形。《数学年鉴》37（3），645-680。 [58] Xu，D.，Wang，J.，Yu，C.&Chen，S.2023基于人工神经网络的非线性代数模型，用于可压缩壁面湍流的大规模模拟。《流体力学杂志》960，A4·Zbl 1520.76044号 [59] Xuan，A.和Shen，L.2023基于卷积神经网络的自由表面流表面测量重建三维湍流结构。《流体力学杂志》959，A34·Zbl 07668170号 [60] Zhang，B.F.，Fan，D.W.&Zhou，Y.2023使用分布式喷射阵列对低阻力艾哈迈德体进行人工智能控制。《流体力学杂志》963，A3。 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。